电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。

May, 2024

本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

Jul, 2019

本研究通过深度学习技术来改善电力系统监测和优化算法，着重于应用图神经网络提升电力系统状态估计，并利用强化学习动态重构分布网络。通过广泛的实验和模拟验证了所提出方法的有效性。

Sep, 2023

本论文综合调查了深度学习在智能电网和需求响应中的应用，主要包括负载预测、状态估计、能量盗窃检测、能源共享与交易等方面，并提出了如何充分利用深度学习技术应对该领域中的重要问题和潜在方向。

Jan, 2021

本论文综述了近期基于深度学习算法的电力系统监测和优化算法，以应对由于可再生能源资源集成而引起的电力系统的规模、复杂性和动力性的增加，以及历史测量数据收集的趋势和快速发展的深度学习领域的最新进展。

Mar, 2023

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法，该方法在 IEEE 118 总线基准系统上的实验表明，相较于现有的 PSSE 求解器，该方法的性能提高了接近一个数量级。

Nov, 2018

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

利用卷积神经网络和深度学习技术，提出了一种基于数据驱动的方法来加速微网的实时经济调度，同时保持数值优化技术的准确性。

Apr, 2024

本文研究了如何在短期内准确预测能源消耗，对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现，通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。

Jul, 2022